(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210424210.8 (22)申请日 2022.04.22 (71)申请人 之江实验室 地址 311100 浙江省杭州市余杭区中泰街 道之江实验室南湖总部 (72)发明人 张阳　余婷　张吉　王彪　佳维　 (74)专利代理 机构 杭州浙科专利事务所(普通 合伙) 33213 专利代理师 陈洁 (51)Int.Cl. G06V 10/40(2022.01) G06V 10/762(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 基于三重视图神经网络的多样化社区检测 方法 (57)摘要 本发明属于图数据挖掘领域， 公开了一种基 于三重视图神经网络模型的多样化社区检测方 法， 包括一： 从输入的属性图中提取特征； 二： 将 输入的序列信息 通过编码器转换成一个指定 长度的中间语义向量Z， 中间语义向量Z蕴含了X 中的信息； 三： 对输出向量Z进行结构紧密属性多 样化聚类； 四： 解码器对Encoder生成的Z作为输 入， 解码出目标序列， 从而得到Decoder输出序列 ， 用异构损失、 聚类损失、 以及X与 之间的重 构信息损失共同构造损失函数， 通过对损失函数 最小化的方法对模型进行训练求解。 本发明通过 对属性图上的结构信息、 属性信息、 异构信息三 个视图分别进行构造以及嵌入学习， 能有效地挖 掘结构紧密、 属性多样化的社区结构。 权利要求书2页 说明书6页 附图4页 CN 114863119 A 2022.08.05 CN 114863119 A 1.一种基于三重视图神经网络模型的多样化社区检测方法， 其特征在于， 包括以下步 骤： 步骤一： 从输入的属性图中提取特征： 从图数据的空间结构和节点属性矩阵提取第一 视图特征， 从图数据的异构信息中提取第二视图特征、 从属 性共现矩阵中提取第三视图特 征； 步骤二： 将输入的序列信息X＝{x1， x2， x3....xN}， N为输入数据长度， 通过编码器转换 成 一个指定 长度的中间语义向量Z， 中间语义向量Z蕴含了X中的信息； 步骤三： 对输出向量Z进行 结构紧密属性多样化聚类； 步骤四： 解码器对Encoder生成的Z作为输入， 解码出目标序列， 从而得到Decoder输出 序列X′＝{x′1， x′2， x′3，…， x′N}， 用异构损失、 聚类损失、 以及X与X ′之间的重构信息损失共 同构造损失函数， 通过对损失函数最小化的方法对 模型进行训练求 解。 2.根据权利要求1所述的基于三重视图神经网络模型的多样化社区检测方法， 其特征 在于， 所述 步骤一包括如下 具体步骤： 步骤1.1： 提取图的空间结构： 根据节点和边信息， 构造图的邻接矩阵As∈RN*N表示图的 拓扑结构特征； 根据节点带有的属性信息， 构造节点属性矩阵F∈RN*M， 其中， N为节点的总 数， M为属性空间的总维度； 步骤1.2： 提取图的异构信息： 根据 节点和属性的异构性构 造“节 点‑属性”和“节点‑节点”两种元路径的异构图， 将 每个属性信息 当作为一种节 点， 图的原始 节点为另一种节点， 即定义异构图GH＝( υ， ε)， 节点映射函数 表示节点类型， 也就是说属性就是一类节点类型， 图原始节点也是一种节点类型， 所以为2， ε为边 集， 这里只有节点和 属性的连边； 步骤1.3： 提取图的属性共现矩阵： 根据图属性矩阵Aa， 通过点互信息熵PMI计算属性间 的相关性， 构造属性图， 得到属性矩阵 使用PPMI来避免节点存在不共现导致的 PMI为负无穷情况： PPMI(x,y)＝max(PMI(x,y),0)   (1) 3.根据权利要求1所述的基于三重视图神经网络模型的多样化社区检测方法， 其特征 在于， 所述 步骤二包括如下 具体步骤： 步骤2.1： 用GCN模型对属性共现矩阵Aa进行表示学习， 具体操作GCN＝σ(LXW)可以描述 为通过矩阵运算完成消息传递， 其中L是 拉普拉斯矩阵， L＝D ‑Aa， D为度矩阵， Aa为共现矩阵， W为权重矩 阵,以1号节点为例， 在第一次卷积时， 节点将自身携带的信息传递到相邻节点 间， 同时也会获取邻居节点的信息,在这里进行两次GCN卷积， 节点将拥有两跳邻居节点的 信息， 分别得到属性的嵌入向量表Za∈RM*d， 再将节点属性矩阵通过属性嵌入向量的转化得 到一个向量表达F*Za∈RN*d； 步骤2.2： 使用GAT对图的结构信息As和节点属性矩阵F进行表示学习， GAT模型采用图卷 积操作， 利用边的信息对节点进 行聚合， 从而生成新的节点表示， 在图卷积的基础上对不同 的邻接点赋予不同权重， 通过加权平均的方式来获得聚合的值， 最终得到节点的嵌入向量 表示Zs∈RN*d， d是嵌入空间的维度；权　利　要　求　书 1/2 页 2 CN 114863119 A 2步骤2.3： 使用HGCN对节点和属性的异构信息进行表示学习， 在异构图中， 两个对象可 以通过不同的语义路径连接， 这些语义路径称为元路径， 使用节点 ‑属性， 节点‑节点两种元 路径， 每个属性为不同的节点类型， 不同类型的节点有不同的特征 空间， 根据不同属性构建 映射矩阵X， 通过映射 函数f将不同节点映射到同一特 征空间： h′i＝f(X⊙hi)  (2) 然后使用自注意力机制学习不同类型的节点权重， 对于给定元路径的节点对来说， 节 点的注意力 依赖与节点对的特 征， 然后聚合得到节点的嵌入表达Zh∈RN*d， 异构信息表示学习的过程， 采用交叉熵损失函数Lh来训练： Lh＝cross_ent(F(Zh),labels)   (4) 最终拼接三个视图的嵌入向量得到最终的嵌入表达 Z∈RN*d。 4.根据权利要求1所述的基于三重视图神经网络模型的多样化社区检测方法， 其特征 在于， 所述 步骤三包括如下 具体步骤： 步骤3.1： 使用k ‑means初始化聚类中心C1， C2， C3， ...， Ck； 步骤3.2： 基于找到的聚类中心， 采用学生t分布来拟合出节点嵌入向量在嵌入空间的 分布， 寻找最佳聚类中心C1， C2， C3， ...， Ck； 步骤3.3： 通过训练三重视图神经网络模型， 不断优化迭代聚类结果， 最终实现结构紧 密属性多样化聚类。 5.根据权利要求1所述的基于三重视图神经网络模型的多样化社区检测方法， 其特征 在于， 所述 步骤四包括如下 具体步骤： 步骤4.1： 将Zs， Za作为输入， 解码出目标图结构矩阵和 属性共现矩阵， 从而得到A ′s， A′a； 步骤4.2： 损失函数设置如下： 使得结构相对熵尽可能小， 属性熵尽可能大， 聚类损失 重构属性和空间信息 损失为Lre＝α·cross_ent(As,A's)+β·cross_ent(Aa,A'a)， 模型整体损失函数为L＝τLclu+ γLre+λLh。权　利　要　求　书 2/2 页 3 CN 114863119 A 3